基于深度学习的成像和临床数据的多式集成,用于预测皮肤穿透型膜内镜片切除术中的手术方法

科学领域:

• 脊柱外科手术 脊柱外科手术
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 多层次的腰椎间盘 (LDH) 在皮肤透过膜内切除术 (PTED) 中对外科方法的选择提出了挑战.
• 目前的PTED方法选择严重依赖于外科医生的判断,缺乏客观的决策支持.

研究的目的:

• 开发基于深度学习 (DL) 的多式模式,用于对成像和临床数据的客观分析.
• 为医生提供可参考的决策支持,帮助他们选择多层次LDH的PTED手术方法.

主要方法:

• 一项回顾性研究,利用多层次LDH患者的成像和临床数据.
• 一个多输入的ResNet 50模型处理了MR扫描用于目标细分预测.
• 一个定制模型预测了PTED的接近方向,并通过机器学习 (ML) 结合了临床数据 (感觉/运动功能).
• 贝叶斯优化融合了DL和ML模型的预测.

主要成果:

• 多模式模型在PTED目标细分预测中实现了93.8%的准确性,超过DL (87.7%) 和ML (87.0%) 模型.
• 对于PTED接近方向,多式联运模型的准确度达到89.3%,超过DL (87.8%) 和ML (87.6%) 模型.
• 多式联网模型在统计学上显示出明显的改进,而不是单个DL和ML模型.

结论:

• 开发的多式联络模型在预测PTED目标细分和接近方向方面表现出色.
• 这种人工智能驱动的方法与独立的DL或ML模型相比,提供了更好的预测能力.
• 该模型为复杂的LDH病例的外科决策提供客观,数据驱动的支持.